論文の概要: Repetition, Not Length: Isolating the Counting Failure in Neural Text-to-Speech

• arxiv url: http://arxiv.org/abs/2609.36974v1
• Date: Tue, 29 Sep 2026 08:10:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.312487
• Title: Repetition, Not Length: Isolating the Counting Failure in Neural Text-to-Speech
• Title（参考訳）: 繰り返し, 長さではない: ニューラルテキスト音声における計数障害の解消
• Abstract要約: テキストから音声へのモデルループ、切り替わり、フレーズを何度も繰り返すテキストのカウントをなくす。 繰り返しそのものが、それに伴う長さではなく、それらを壊すものであることを示す。
• 参考スコア（独自算出の注目度）: 0.2624902795082451
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Text-to-speech models loop, truncate and lose count on text that repeats a phrase many times. We show that repetition itself is what breaks them, not the length that comes with it. Every repeated sentence in our test set is paired with a control of matched sentence and word count in which no word ever repeats back-to-back. Six models from three architectures render the controls almost perfectly and fail the repeated twins: 94.3% against 18.2% exactly right at k >= 6. The gap survives greedy decoding, repetition-penalty sweeps, four independent speech recognisers and 420 analysis specifications without once reversing sign; a held-out fourth architecture lands within a point of its predicted gap, and one of two non-autoregressive baselines shows the same failure. Varying the period of the text shows the failure grows smoothly with periodicity, half of it surviving when no word is adjacent to itself.
• Abstract（参考訳）: テキストから音声へのモデルループ、切り替わり、フレーズを何度も繰り返すテキストのカウントをなくす。 繰り返しそのものが、それに伴う長さではなく、それらを壊すものであることを示す。 テストセット内のすべての繰り返し文は、一致した文と単語カウントの制御とペアリングされる。 3つのアーキテクチャの6つのモデルがコントロールをほぼ完璧にレンダリングし、繰り返し双子を失敗させる:94.3%対18.2%対 k >= 6 で正確に正しい。 このギャップは、暗黙の復号化、繰り返しのペナルティ・スイープ、4つの独立した音声認識器、420の分析仕様を1度は逆転しないで、予測されたギャップの1点内に保持された第4のアーキテクチャがあり、2つの非自己回帰的ベースラインのうちの1つは、同じ失敗を示す。 文章の期間を経ると、失敗は周期的に滑らかに成長し、その半分は単語が隣接していないときに生き残る。

関連論文リスト

• Correct Now, Insufficient Later: Auditing Update Sufficiency in Context Compression [0.0]
  メモリは、後の更新で要求される区別を捨てながら、現在のクエリに正しく答えることができる。 我々はこの失敗を2つの歴史監査で調査する。 パイロットは6つの合成機構の24の履歴ペアを評価する。
  論文  参考訳（メタデータ） (2026-09-17T10:51:37Z)
• In RAG We Trust? Measuring Robustness of Retrieval-Augmented Generation Under Document Poisoning [0.0]
  我々は、小さな量子化モデルであるLlama 3.1 8B(Llama 3.1 8B)が、検索された文脈のごく一部が汚染されたときにどれだけ劣化するかを研究する。 清潔な文脈では77.9%から43.5%に減少し、3つの通路が全て崩壊する。
  論文  参考訳（メタデータ） (2026-09-08T08:31:57Z)
• Can Scene Text Recognition Read Rare Compositions? [1.7844382164707184]
  6つの標準ベンチマークにおいて、シーンテキスト認識は89-97%正確であると報告され、その問題が飽和として広く扱われている。 私たちは代替の読書を提示する。 同じテスト画像が、基準コーパスに対して、接地的単語の規則性と文字n-gramの新規性によって共同で成層されると、結果の5x5グリッドのレアワードxレアトリグラムコーナーでの精度は、q3/q3センタより10〜18pt下方に低下する。
  論文  参考訳（メタデータ） (2026-09-01T07:16:42Z)
• Stoicheia: Character-Level Masked Diffusion for Ancient Greek Textual Restoration, Parsing, and Metrical Scansion [0.0]
  ストイチェア (Stoicheia) は古代ギリシアの文字レベルのマスク付き拡散エンコーダである。 オープンでリビジョンされた380万ワードのコーパスで事前トレーニングを行い、11個のチェックポイントをリリースする。 イサカ自身のテスト分割では、同じ凍結サンプルと厳密なスコアで、Stoicheiaは両方の従来の最先端システムと比較して文字エラーを減らす。
  論文  参考訳（メタデータ） (2026-08-07T14:07:43Z)
• Repeated-Token Counting Reveals a Dissociation Between Representations and Outputs [0.0]
  より大きな言語モデルは、より広範な推論ベンチマークのパフォーマンスにもかかわらず、繰り返しトークンを数えることに失敗する。 残差ストリーム上の線形プローブは、埋め込み後の各層において、正しいカウントをほぼ完全精度で復号する。
  論文  参考訳（メタデータ） (2026-05-10T00:45:19Z)
• Towards Unsupervised Speech Recognition Without Pronunciation Models [57.222729245842054]
  本稿では,ペア音声とテキストコーパスを使わずにASRシステムを開発するという課題に取り組む。 音声合成とテキスト・テキスト・マスクによるトークン埋込から教師なし音声認識が実現可能であることを実験的に実証した。 この革新的なモデルは、レキシコンフリー環境下での以前の教師なしASRモデルの性能を上回る。
  論文  参考訳（メタデータ） (2024-06-12T16:30:58Z)
• token2vec: A Joint Self-Supervised Pre-training Framework Using Unpaired Speech and Text [65.04385919645395]
  token2vecは、音声の離散表現に基づく、未ペア音声とテキストのための新しい事前学習フレームワークである。 実験の結果、 token2vec は様々な音声のみの事前学習ベースラインよりも大幅に優れており、WER の相対的な減少率は17.7%である。
  論文  参考訳（メタデータ） (2022-10-30T06:38:19Z)
• Span Pointer Networks for Non-Autoregressive Task-Oriented Semantic Parsing [55.97957664897004]
  seq2seq、非自動回帰的、タスク指向を構築するための効果的なレシピは、3つのステップで発話とセマンティックフレームをマッピングする。 これらのモデルは通常、長さ予測によってボトルネックとなる。 本研究では,デコードタスクをテキスト生成からスパン予測へシフトさせる非自己回帰手法を提案する。
  論文  参考訳（メタデータ） (2021-04-15T07:02:35Z)
• Context-aware and Scale-insensitive Temporal Repetition Counting [60.40438811580856]
  時間的反復カウントは、与えられた反復行動のサイクル数を推定することを目的としている。 既存のディープラーニング手法は、実生活における複雑な反復行動に対して無効である固定された時間スケールで繰り返し動作が実行されると仮定する。 本稿では,未知かつ多様なサイクル長による繰り返しカウントの課題に対処するための文脈認識・スケール非感性フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-05-18T05:49:48Z)
• Listen Attentively, and Spell Once: Whole Sentence Generation via a Non-Autoregressive Architecture for Low-Latency Speech Recognition [66.47000813920619]
  我々はLASOと呼ばれる非自己回帰型エンドツーエンド音声認識システムを提案する。 非自己回帰性のため、LASOは他のトークンに依存することなくシーケンス内のテキストトークンを予測する。 我々は,中国における公開データセットAISHELL-1の実験を行った。
  論文  参考訳（メタデータ） (2020-05-11T04:45:02Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。